买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心)申请的专利一种融合稀疏神经网络和量子核函数的径流预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119249282B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411764875.9，技术领域涉及：G06F18/2415；该发明授权一种融合稀疏神经网络和量子核函数的径流预测方法是由李港;彭宁彦;郑勇;鄢笑宇;李艳红;温天福;张静文;刘鑫;刘章君设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种融合稀疏神经网络和量子核函数的径流预测方法在说明书摘要公布了：本发明涉及一种融合稀疏神经网络和量子核函数的径流预测方法，其步骤为：收集流域出口水文站逐日流量数据作为预报变量，同时收集预报变量影响因子数据，并划分训练集和测试集。基于稀疏神经网络，采用神经元归因方法进行特征选择。构建基于量子核函数的径流预测模型，并在训练集上进行模型训练及参数优化。在测试集上采用融合稀疏神经网络和量子核函数的径流预测模型进行流域出口水文站的径流预测，并选取评价指标评估其径流预测效果。本发明方法能够高效选择特征，显著减少内存和计算成本。并基于量子计算提供的潜在加速实现快速精准的径流预测，同时量化预测不确定性，基于贝叶斯方法优化参数，避免了梯度下降优化算法的繁琐性和高计算成本。

本发明授权一种融合稀疏神经网络和量子核函数的径流预测方法在权利要求书中公布了：1.一种融合稀疏神经网络和量子核函数的径流预测方法，其特征在于，包括以下步骤；步骤S1：收集流域出口水文站逐日流量数据作为预报变量数据，并同时收集流域出口水文站控制的上游流域雨量站、水文站的预报影响因子数据，并将收集到的包含预报变量数据和预报影响因子数据的数据集划分为训练集和测试集；步骤S2：基于稀疏神经网络的动态稀疏训练策略，采用神经元归因方法对预报影响因子数据进行特征选择，确定对于预报变量影响程度排名前50％的预报影响因子作为特征集；步骤S3：构建融合稀疏神经网络和量子核函数的径流预测模型，并在训练集上采用筛选的特征集和预报变量数据进行模型训练以及模型参数的优化调整；步骤S4：在测试集上采用融合稀疏神经网络和量子核函数的径流预测模型进行流域出口水文站的径流预测，并选取评价指标评估其径流预测效果；步骤S2中，基于稀疏神经网络的动态稀疏训练策略是在训练过程中优化网络的稀疏连接性而无需使用密集的网络矩阵，动态稀疏训练策略首先初始化一个完整的神经网络，随后对其进行随机的稀疏化，即创建一个随机的拓扑网络结构，并在训练过程中，通过去除低重要性的神经元连接来保持网络的稀疏性，同时优化网络的权重；步骤S2中，采用神经元归因方法进行特征选择时，需要基于输出神经元的归因来计算输入神经元的重要性，其中，第一层的每个输入神经元即对应每个输入神经元的重要性分数如式1所示：式1：其中，SitrXj是第itr轮迭代时第j个输入神经元的重要性，C是输出神经元的数量，m是样本数量，是第i个输出神经元对应的第k个样本xk中的第j个输入特征的神经元归因值，一个输入神经元对应多个输出神经元，第j个输入神经元对应于第j个输入特征，其中L是网络层数，包含输入层、隐藏层和输出层的总网络层数之和，L-1层对应于输出层，表示输出层的索引值，的绝对值越大，输出神经元i对输入特征Xj的变化越敏感，在根据式1推导出各输入特征对应的输入神经元的重要性后，选择神经元归因重要性排名前50％的特征作为特征集；步骤S3中构建融合量子核函数的量子增强径流预测模型时，采用的模型是高斯过程回归预测模型，其通过对数据进行回归分析，来建立服从高斯过程先验信息的非参数模型，假设一个含有n对相互独立观测数据的学习样本是由n个输入向量组成的输入集，y＝{y1,y2,…,yn}是由n个相对应的一维输出组成的输出集，则高斯过程均值μx和方差kx,x'表示为式2和式3：式2：μx＝E[fx]；式3：kx,x'＝E[fx-μxfx'-μx']；式中，x,x'代表样本中任意两个随机变量，E代表数学期望，f·表示预测函数；步骤S3中基于高斯过程回归预测模型构建径流预测模型时，使用瞬时量子多项式时间特征图φ将原始经典时间序列数据x＝xt1,xt2,…,xti,…,xtw转换为量子态特征信息|φx,α，xti表示原始时间序列中第i个特征的时间序列数据集，w表示基于稀疏神经网络最终确定的特征数量，xtw表示原始时间序列中第w个特征的时间序列数据集，该过程表示为式4：式4：式中，表示将经典时间序列数据所处的W维实数空间转换至量子态特征信息所处的希尔伯特空间表示使用瞬时量子多项式时间特征图φ将原始经典时间序列数据x转换为量子态特征信息|φx,α＞；α为引入的一个可调超参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心)，其通讯地址为：330000 江西省南昌市北京东路1038号江西省水利科学院；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。